小白参考很多文档总结的HARRIS角点检测

目录（HARRIS角点检测）

概述

Harris角点检测基本原理

代码实现

模拟结果

概述

角点是图像很重要的特征,对图像图形的理解和分析有很重要的作用。角点在保留图像图形重要特征的同时,可以有效地减少信息的数据量,使其信息的含量很高,有效地提高了计算的速度,有利于图像的可靠匹配,使得实时处理成为可能。角点在三维场景重建运动估计，目标跟踪、目标识别、图像配准与匹配等计算机视觉领域起着非常重要的作用。

在现实世界中，角点对应于物体的拐角，道路的十字路口、丁字路口等。从图像分析的角度来定义角点可以有以下两种定义：

a. 角点可以是两个边缘的角点；
b. 角点是邻域内具有两个主方向的特征点；

角点检测算法可归纳为3类：
基于灰度图像的角点检测、
基于二值图像的角点检测、
基于轮廓曲线的角点检测
基于灰度图像的角点检测又可分为基于梯度、基于 模板和基于模板梯度组合3类方法，其中基于模板的方法主要考虑 像素领域点的灰度变化，即图像亮度的变化，将与邻点 亮度对比足够大的点定义为角点。常见的基于 模板的角点检测算法有Kitchen-Rosenfeld角点检测算法，Harris角点检测算法、KLT角点检测算法及SUSAN角点检测算法。

Harris角点检测基本原理

第三张图就是一个角点，不管朝向任何一个方向，像素值都会有很大变化。
首先，将图像窗口平移[u,v]产生灰度变化的自相关函数如下，其中窗口函数可以是平坦的，也可以是高斯的：

然而将平移后的式子进行泰勒展开如下：

由于是对局部微小的移动量 [u,v]，所以 可以近似得到下面忽略余项之后的表达式为一个二项式函数：

其中，M的表达式如下，可由图像的导数求得：

上面我们说到，忽略余项之后的表达式为一个二项式函数，然而二项式函数的本质上就是一个椭圆函数，椭圆的扁率和尺寸是由M(x,y)的特征值λ1、λ2决定的，椭圆的方向是由M(x,y)的特征矢量决定的，如下图所示，椭圆方程为：

椭圆函数特征值与图像中的角点、直线（边缘）和平面之间的关系如下图所示。共可分为三种情况：
a. 图像中的直线。
一个特征值大，另一个特征值小，λ1>λ2或λ2>λ1。自相关函数值在某一方向上大，在其他方向上小。
b. 图像中的平面。
两个特征值都小，且近似相等；自相关函数数值在各个方向上都小。
c. 图像中的角点。<